Apache Flume
关于Flume
Hadoop的宗旨是处理大型数据集。通常，我们假设这些数据已经存储在HDFS中，但是如果数据不再HDFS怎么办？
设计Flume的宗旨是向Hadoop批量导入基于事件的海量数据。
Flueme通常用来向Hadoop导入日志文件。
1.安装Flume
①首先下载并解压Apache Flume
http://flume.apache.org/download.html
这里我下载的是（ apache-flume-1.9.0-bin.tar.gz）
②为了方便起见我们把flume添加到path，如下图所示（12行和13行内容），我们可以在~/.bash_profile文件中进行配置。
配置之后为了能够立即生效，我们还如要让系统重读配置文件。
source ~/.bash_profile
然后，可以用Flume-ng命令启动Flume代理。（指定help参数来查看帮助信息）
2.Flume样例
①创建一个文件夹，用flume来监视，如果文件夹内有新文件被添加，那么flume会把它的每一行内容输出到控制台。
mkdir /tmp/spooldir
②我们还需要一个flume的配置文件。这里我把它命名为`spool-to-logger.properties，文件内容如下：
agent1.sources=source1
agent1.sinks=sink1
agent1.channels=channel1
agent1.sources.source1.channels=channel1
agent1.sinks.sink1.channel=channel1
// type=spooldir用来监视缓冲目录中的新增文件。
agent1.sources.source1.type=spooldir
agent1.sources.source1.spoolDir=/tmp/spooldir
// type=logger用于将事件记录输出到控制台。
agent1.sinks.sink1.type=logger
agent1.channels.channel1.type=file
③配置好以上内容后，我们用命令来启动flume代理。
flume-ng agent \
--conf-file flume/conf/spool-to-logger.properties <--之前的配置文件
--name agent1 <--配置文件中的代理名
--conf $FLUME_HOME/conf <--flume的通用配置（环境变量等）
-Dflume.root.logger=INFO,console
④在①创建的文件夹中添加一个文件
（※注：Spooling directory source不允许修改文件，因此，为了防止source读取的文件内容不完全，我们先把内容写到隐藏文件中，待内容录入完毕之后再修改为普通文件。）
echo "Hello Flume" > /tmp/spooldir/.loggerTest.txt
mv /tmp/spooldir/.loggerTest.txt /tmp/spooldir/loggerTest.txt
如下，待flume将该文件导入HDFS后，会将该文件重命名为*.COMPLETED，表示flume已经完成文件处理，并且对它不会再做任何操作。
3.事务和可靠性
Flume使用两个独立的事务，分别负责从source到channel以及从channel到sink的事件传递。
①source-channel事务：
在前面的例子中，事务spool directory source为文件的每一行创建一个事件。一旦事务中的所有事件都传到channel且提交成功，那么source就将该文件标记为完成。
②channel-sink事务：
同①的处理类似，如果由于某种原因导致事件无法记录，那么事件将会回滚，而所有的事件仍将留在channel中，等待重新传递。
上面的例子使用的是channel.type是file，这种类型的channel具有永久性：只要事件被成功写入channel，即使代理重新启动，事件也不会丢失。于此相对的还有memory channel，顾名思义，是讲事件缓存到内存中，但是如果代理重启，则事件将会丢失。具体使用哪种channel取决于应用，memory channel的好处在于，比file channel具有更高的吞吐量。
file channel的source产生的每个事件都会到达sink（至少一次）。不论是source还是sink都有可能产生重复，例如，即使代理重启之前有一部分或全部事件已经被提交到channel，但是在代理重启之后，spooling directory source还是会为所有未完成的文件重新创建事件。同理，代理重新启动后，logger sink也会重新记录那些已经记录但未提交的事件。
采用at-least-once方式时，重复的事件可以在后续的操作来移除。通常，这需要以特定于应用程序的重复数据删除作业写在MapReduce或者Hive中。
※注：这里说一下针对at-least-once机制，遇到的坑。
默认情况下，deserializer是 LINE ，也就是逐行生成事件，之前写demo的时候，本想测试一下压缩率，于是用用dd命令创建了一个大小约为 300M的文件（文件内容都是“0”），然后启动完Flume代理就去干活了，结果1个多小时回来一看，sink的输出文件夹内N个小文件，而还在不停的跑，瞬间我就方了，下意识就Ctrl+c了，但是随之而来的问题是，虽然把导出到hdfs的文件都删除了，flume的.properties配置文件也改成了memory channel，甚至重写了不同名称的配置文件，可由于file channel的at-least-once机制，事件已经被写到本地磁盘了，所以只要一启动Flume代理，就会重新执行没成功提交的事件，额，这可如何是好。经过一番资料搜索之后，发现，file channel的事件会存放到本地磁盘的如下位置：
最后，尝试了将~/.flume/file-channel/下的checkpoint文件夹及data文件夹中的内容清空（保险起见，先备份后再清空），再次启动Flume代理，发现之前的事件被清除了。
为了提高效率，Flume在有可能的情况下尽量以事务为单位来批量处理事件，这种方式有尤其利于提高file channel的性能，以为每次事务只需要写一次磁盘和调用一次fsync。
批量的大小取决于组件的类型，并且在大多数情况下是可配的。例如，spooling directory source以100行文本作为一个批次来读取。（可通过BatchSize属性来修改）
4.HDFS sink
Flume关注的重点是向Hadoop数据存储器传递海量数据，下面来演示如何配置Flume代理向HDFS传递sink事件。
①新建并配置spool-to-hdfs.properties配置文件：
agent1.sources=source1
agent1.sinks=sink1
agent1.channels=channel1
agent1.sources.source1.channels=channel1
agent1.sinks.sink1.channel=channel1
agent1.sources.source1.type=spooldir
agent1.sources.source1.spoolDir=/tmp/spooldir
// type为hdfs，意味着sink将会向hdfs导出数据。
agent1.sinks.sink1.type=hdfs
// 导出的文件路径（这里是hdfs的路径，并非根路径，用hdfs dfs -ls /tmp/flume方可查看到）
agent1.sinks.sink1.hdfs.path=/tmp/flume
// 文件的前缀
agent1.sinks.sink1.hdfs.filePrefix=events
// 文件的后缀
agent1.sinks.sink1.hdfs.fileSuffix=.log
// 正在使用中的文件的前缀
agent1.sinks.sink1.hdfs.inUsePrefix=_
// 文件类型
agent1.sinks.sink1.hdfs.fileType=DataStream
agent1.channels.channel1.type=file
这里变化的只有sink的信息。也就是说source跟刚才一样，只是输出的地点由console换成了hdfs。
执行下面的命令来启动flume代理。
flume-ng agent \
> --conf-file flume/conf/spool-to-hdfs.properties \
> --conf $FLUME_HOME/conf \
> --name agent1 \
> -Dflume.root.logger=INFO,console
※注：这里需要开启Hdfs守护进程，否则会报错。
source到channel处理完成后source文件被标记为COMPLETED
sink导出的文件会按照.properties文件中设置的前缀后缀等名称来生成对应的文件。
导出到HDFS的文件内容如下
4-1.分区和拦截器
大型数据集经常被组织为分区，这样做的好处是，如果查询只涉及到数据的某个子集，查询过程就可以被限制在特定的分区范围内。Flume事件的数据通常按时间来分区，因此，我们可以定期运行某个进程来对已完成的分区进行数据处理。（比如，前面提到的at-least-once，很可能会导致重复数据，那么就可以在分区内将重复的数据删除。）
对上面的例子稍作修改，便可以达到分区的效果。
①分区信息：
agent1.sinks.sink1.path=/tmp/flume/year=%Y/month=%m/day=%d
这里还需要注意，想要达到分区的效果，还需要配合拦截器：
一个Flume事件被写入哪个分区是由事件的header中的timestamp决定的。默认情况下，header中是没有timestamp的，所以需要通过拦截器来添加。
②Flume拦截器： 一种能够对事件流中的事件进行修改和删除的组件，被附加到source上，在事件传递到channel之前对事件进行处理。
....
agent1.sources.source1.interceptors=interceptor1
agent1.sources.source1.interceptors.interceptor1.type=timestamp
....
※注：这里有个坑，书中内容可能已经落后于新版的Flume，在向hdfs导出使用时间分区时，需要显示的配置hdfs.useLocalTimeStamp=true/false，否则会报错：
（Caused by: java.lang.NullPointerException: Expected timestamp in the Flume event headers, but it was null）
由于拦截器上的时间戳是事件创建时的时间，因此，可能与写入的时间存在明显的差异，尤其是当出现代理停止的情况，这时候可以将hdfs.useTimeStamp设置为true，这时将使用HDFS sink的Flume代理所产生的时间戳。
4-2.文件格式
HDFS sink使用的文件格式由hdfs.fileType以及其他一些属性组合控制，默认为SequenceFile。
①SequenceFile： 由键值对组成，key:LongWritable型，它包含的是时间戳。value:BytesWritable型包含的是时间的body。
通过修改hdfs.writeFormat可以改变value的类型。如,修改为hdfs.writeFormat=Text，则value为Text型。
②Avro文件： hdfs.fileType=DataStream，就像纯文本一样。具体配置如下：
这次我们重新创建一个spool-to-avro.properties配置文件。
agent1.sources=source1
agent1.sinks=sink1
agent1.channels=channel1
agent1.sources.source1.channels=channel1
agent1.sinks.sink1.channel=channel1
agent1.sources.source1.type=spooldir
agent1.sources.source1.spoolDir=/tmp/spooldir
// 如上面所说，默认值为LINE，这里目标文件是avro文件，所以需指定为AVRO，否则会报错。
agent1.sources.source1.deserializer=AVRO
agent1.sinks.sink1.type=hdfs
agent1.sinks.sink1.hdfs.path=/tmp/flume
agent1.sinks.sink1.hdfs.filePrefix=events
agent1.sinks.sink1.hdfs.fileSuffix=.avro
agent1.sinks.sink1.hdfs.inUsePrefix=_
agent1.sinks.sink1.hdfs.fileType=DataStream
agent1.sinks.sink1.serializer=avro_event
agent1.sinks.sink1.serializer.compressionCodec=snappy
// memory channel不将事件写入本地磁盘
agent1.channels.channel1.type=memory
